AI Agent 工程师（增长大脑）

优缺点分析

角色解读

• 技术深耕：成为AI工程化领域的专家，主导核心基建项目，引领技术方向
• 管理路线：担任技术负责人或团队Leader，带领技术小组解决复杂业务问题
• 横向拓展：结合增长业务视角，转型为AI产品架构师或增长技术专家
• 设计并开发AI Agent的运行时底层框架，包括ReAct循环、上下文管理、特征流水线等核心模块
• 基于大模型和RAG技术构建面向增长业务的AI应用，推动方案在真实场景落地以提升业务指标
• 持续探索Prompt优化、模型微调等前沿技术，优化AI工程化落地方法论
• 扎实的编程能力，熟练使用Python及常用后端技术栈（如存储、缓存、消息队列、微服务）
• 深入理解大语言模型原理，熟悉模型微调（全参、LoRA）和模型评估方法
• 具备Prompt工程、RAG、Agent设计与调优的实战经验

申请策略

• 在简历中量化项目成果，例如提升业务转化率X%、降低推理延迟Y%等
• 提前了解小红书的增长业务模式，思考AI可以如何赋能
• 突出大模型相关项目经验，尤其是Agent、RAG、Prompt工程的实际落地案例
• 强调后端工程化能力，如高并发、微服务架构、性能优化等
• 如有增长业务或用户增长相关经验，务必重点展示
• 系统学习LangChain、AutoGPT等Agent框架，动手搭建一个完整的Agent demo
• 深入理解Transformer原理，熟悉主流开源模型（如Qwen、LLaMA）的微调流程

面试指南

• STAR法则：针对项目经验问题，按情境、任务、行动、结果结构化回答
• 技术深度+业务视角：先阐述技术原理，再结合业务场景说明价值
• 对比分析：当被问及多个方案时，对比优缺点并给出选择依据
• 请谈谈你对Agent ReAct循环的理解，以及如何优化其执行效率？
• 你在实际项目中如何使用RAG？遇到过哪些挑战？
• 如何评估微调后模型的效果？有哪些评估指标？
• 设计一个面向用户增长的AI Agent方案，你会如何落地？
• 你们之前的大模型系统是如何做高可用和性能优化的？